Статистический анализ цен потребительского рынка в ХМАО-Югре: комплексный подход и перспективы совершенствования

В сентябре 2025 года годовая инфляция в Ханты-Мансийском автономном округе – Югре составила 6,25%, что оказалось заметно ниже общероссийского показателя в 7,98%. Этот, казалось бы, простой статистический факт открывает врата в сложный и многогранный мир регионального ценообразования. Почему в одном из самых богатых и экономически развитых субъектов Российской Федерации инфляционные процессы протекают иначе, чем в среднем по стране? Ответы на этот вопрос лежат в пересечении уникальных социально-экономических, климатических и логистических особенностей региона, а также в методологиях статистического наблюдения, которые постоянно совершенствуются. Для глубокого понимания этих процессов необходимо рассмотреть каждый аспект в деталях, чтобы выявить истинные драйверы и сдерживающие факторы ценовой динамики.

Актуальность, цели и задачи исследования

Проблема инфляционных процессов и динамики потребительских цен является краеугольным камнем как для макроэкономической стабильности государства, так и для благосостояния каждого гражданина. Особенно остро этот вопрос стоит на региональном уровне, где общие экономические тенденции преломляются через призму уникальных местных условий. Ханты-Мансийский автономный округ – Югра, будучи одним из ключевых нефтегазодобывающих регионов России, представляет собой уникальный объект для такого рода исследований. Его экономическая мощь, высокие доходы населения, но одновременно и суровые климатические условия, а также значительная удаленность от основных производственных центров создают сложную, но крайне интересную картину ценообразования, а значит, и широкое поле для глубокого анализа.

Целью настоящей работы является разработка структурированного плана для углубленного академического исследования статистического анализа потребительских цен в ХМАО-Югре. Для достижения этой цели предстоит решить ряд последовательных задач: раскрыть теоретические и методологические основы статистики цен, проанализировать динамику и региональные особенности ценовых процессов в Югре, систематизировать влияние уникальных социально-экономических и климатических факторов, рассмотреть современные статистические и прогностические модели, а также оценить эффективность существующей системы мониторинга и предложить направления для её совершенствования.

Теоретические и методологические основы статистического анализа потребительских цен

Понимание динамики цен и инфляции начинается с прочной теоретической базы и четкого представления о методах их измерения. От того, насколько корректно определены термины и насколько прозрачна методология расчетов, зависит адекватность анализа и обоснованность последующих выводов. В данном разделе мы погрузимся в суть потребительских цен, рассмотрим тонкости расчета ключевых индексов и оценим потенциал современных подходов к сбору и обработке данных.

Понятие и сущность потребительских цен и инфляции

В основе любого экономического анализа лежит точность определений. Потребительские цены — это цены, по которым товары и услуги реализуются конечному потребителю. Они являются непосредственным отражением покупательной способности населения и одним из главных индикаторов инфляции. Инфляция, в свою очередь, представляет собой устойчивый рост общего уровня цен на товары и услуги, ведущий к снижению покупательной способности денег.

Для количественного измерения инфляции и оценки динамики потребительских цен используются различные статистические показатели. Центральное место среди них занимает Индекс потребительских цен (ИПЦ). Он характеризует изменение стоимости фиксированного набора товаров и услуг, приобретаемых населением. Помимо ИПЦ, важную роль играют средние потребительские цены, которые отражают абсолютное значение цен на отдельные товары и услуги в конкретный момент времени. Особое значение для межрегиональных сопоставлений имеет Индекс стоимости жизни (ИСЖ), который будет рассмотрен далее. Понимание этих терминов позволяет заложить фундамент для глубокого и многостороннего анализа потребительского рынка, а значит, и принимать более взвешенные экономические решения.

Методология расчета Индекса потребительских цен (ИПЦ) в России и международные стандарты

Точность статистических данных критически важна для принятия обоснованных решений. В Российской Федерации расчет Индекса потребительских цен регулируется Официальной статистической методологией наблюдения за потребительскими ценами на товары и услуги и расчета индексов потребительских цен, утвержденной Приказом Росстата от 15.12.2021 N 915. Эта методология представляет собой сложную, но тщательно выверенную систему, разработанную для максимально адекватного отражения ценовых изменений.

Ключевые принципы методологии Росстата включают:

• Выборочное наблюдение: Федеральное статистическое наблюдение охватывает 283 населенных пункта по всей России, включая региональные столицы и выборочно районные центры. Это обеспечивает репрезентативность данных.
• Широкий охват торговых точек: Мониторинг цен проводится более чем в 71 тыс. организаций торговли и сферы услуг, что позволяет учесть разнообразие ценовых предложений.
• Фиксированный набор товаров-представителей: Для расчета ИПЦ используется набор из 510 наименований товаров и услуг, наиболее часто потребляемых населением. Этот набор регулярно пересматривается для сохранения актуальности.
• Актуализация весов: Веса для расчета ИПЦ, отражающие долю каждого товара или услуги в общем объеме потребительских расходов, ежегодно обновляются на основе данных Выборочного обследования бюджетов домашних хозяйств. Это обеспечивает соответствие структуры индекса реальным потребительским предпочтениям.

Важно отметить, что методология Росстата не является изолированной, а гармонизирована с международными рекомендациями. Она учитывает положения «Резолюции об индексах потребительских цен», принятой 17-й Международной конференцией статистиков труда, и «Руководства по индексу потребительских цен: Концепции и Методы», разработанного Межсекретариатской рабочей группой по статистике цен. Такой подход обеспечивает сопоставимость российских данных с мировыми стандартами.

С начала 2022 года, а полномасштабно с 1 января 2023 года, Росстат приступил к внедрению революционных изменений в методологию расчета ИПЦ, интегрируя в процесс «большие данные». Это включает использование информации с контрольно-кассовой техники (ККТ), данных о чеках, сведений из Государственной информационной системы маркировки товаров (ГИС МТ), а также результатов мониторинга онлайн-продаж и веб-скрейпинга. Эти инновации призваны значительно повысить оперативность, детализацию и точность статистического наблюдения, позволяя отслеживать ценовую динамику практически в реальном времени и на более гранулярном уровне, но одновременно ставят новые задачи по унификации данных и обеспечению к ним доступа.

Дополнительные показатели статистики цен: Индекс стоимости жизни (ИСЖ) и его применение

Хотя ИПЦ является ключевым показателем инфляции, для всестороннего анализа покупательной способности и ценовой дифференциации между регионами необходимо использовать и другие метрики. Одним из таких важных, но часто недооцененных индикаторов является Индекс стоимости жизни (ИСЖ).

ИСЖ характеризует отношение стоимости фиксированного набора товаров и услуг в отдельных городах к среднероссийскому значению. Это позволяет сравнивать покупательную способность в различных населенных пунктах страны. Например, если ИСЖ для города ХМАО-Югры составляет 120%, это означает, что стоимость жизни в этом городе на 20% выше, чем в среднем по России.

Применение ИСЖ:

• Межрегиональные сопоставления: ИСЖ дает возможность объективно оценить, насколько «дороже» или «дешевле» жить в одном регионе по сравнению с другим, что особенно актуально для таких регионов, как ХМАО-Югра, где уровень цен исторически выше среднероссийского.
• Анализ реальных доходов: В сочетании с данными о номинальных доходах, ИСЖ позволяет более точно оценивать реальную покупательную способность населения в различных регионах.
• Обоснование региональной политики: Понимание ИСЖ может быть использовано при разработке региональных программ социальной поддержки, установлении минимального размера оплаты труда и других выплат, учитывающих специфику местной ценовой конъюнктуры.

Использование ИСЖ дополняет анализ ИПЦ, предоставляя более полную картину ценовой дифференциации и позволяя проводить глубокие межрегиональные исследования, что является важным элементом для выявления уникальных экономических особенностей ХМАО-Югры. Его применение позволяет не только констатировать различия, но и искать их первопричины, что крайне важно для адресной региональной политики.

Динамика и региональные особенности потребительских цен в ХМАО-Югре

Анализ динамики потребительских цен в отдельном регионе — это не только констатация фактов, но и поиск глубинных причин, объясняющих наблюдаемые тенденции. ХМАО-Югра, со своим уникальным экономическим профилем, демонстрирует специфическую ценовую динамику, которая требует тщательного сравнения с общероссийскими и сопоставимыми региональными показателями.

Общая динамика потребительских цен в ХМАО-Югре (2020-2025 гг.)

Период с 2020 по 2025 годы был отмечен значительными экономическими потрясениями, которые не могли не сказаться на инфляционных процессах. ХМАО-Югра, как и вся страна, переживала эти изменения, но со своей, присущей лишь этому региону спецификой.

Основные тенденции:

• Годовая инфляция: В сентябре 2025 года годовая инфляция в ХМАО-Югре составила 6,25%, что было заметно ниже общероссийского показателя (7,98%). Похожая ситуация наблюдалась и в июле 2025 года (7,47% против 8,79% по РФ), и в июне 2024 года (7,11% против 8,59% по РФ). Это свидетельствует о том, что Югра демонстрирует более сдержанную инфляционную динамику по сравнению со средним по стране уровнем.
• Инфляция по товарным группам:
  • В сентябре 2025 года продовольственные товары в ХМАО-Югре подешевели на 0,11% к августу 2025 года, но в годовом выражении их стоимость выросла на 8,39%. Это может быть связано с сезонными факторами или временным насыщением рынка.
  • Непродовольственные товары в сентябре 2025 года подорожали на 0,38% к предыдущему месяцу, а годовой рост цен составил 1,21%.
  • Услуги в сентябре 2025 года продемонстрировали наибольший рост: 0,62% к августу и 10,63% в годовом выражении, что часто обусловлено индексацией тарифов и ростом издержек в сфере услуг.
• Исторический контекст: В 2022 году инфляция в ХМАО-Югре составила 7,1%, при этом продовольственные товары подорожали на 7,1%, непродовольственные – на 5,7%, а платные услуги – на 9,3%. Эти данные показывают, что инфляционное давление на услуги является более устойчивым.

Таблица 1: Динамика годовой инфляции в ХМАО-Югре и РФ (2024-2025 гг.)

Период	ХМАО-Югра (годовая инфляция)	РФ (годовая инфляция)	Разница (РФ — ХМАО-Югра)
Сентябрь 2025	6,25%	7,98%	1,73%
Июль 2025	7,47%	8,79%	1,32%
Июнь 2024	7,11%	8,59%	1,48%

Исторически более низкие показатели инфляции в ХМАО-Югре по сравнению со среднероссийскими могут свидетельствовать о специфике региональной экономики и, возможно, об особой структуре потребления или о более стабильной ценовой политике в определенных секторах. Этот факт требует дальнейшего изучения, чтобы понять, какие именно механизмы позволяют Югре демонстрировать такую устойчивость.

Сравнительный анализ динамики цен ХМАО-Югры с северными и сырьевыми регионами

Для получения более полной картины необходимо не только сравнивать показатели ХМАО-Югры со среднероссийскими, но и проводить параллели с регионами, имеющими схожий экономический профиль или географическое положение. Это позволяет выявить общие закономерности и уникальные особенности ценообразования.

Общие черты с северными и сырьевыми регионами:

• Высокая стоимость минимального набора продуктов питания: В 2020 году стоимость минимального набора продуктов питания в ХМАО-Югре (5284,6 руб.) превышала среднероссийский уровень (4363,8 руб.) более чем на 20%, что является характерной чертой для многих северных регионов. Это обусловлено высокими логистическими издержками, более суровыми климатическими условиями и ограниченными возможностями местного производства.
• Влияние сырьевого сектора: В регионах, где доминирует добыча полезных ископаемых (как в ХМАО-Югре, Ямало-Ненецком АО, или в некоторых дальневосточных субъектах), экономика часто имеет свои особенности. Высокие доходы в сырьевом секторе могут создавать повышенный спрос, что, в свою очередь, может подталкивать цены вверх.

Факторы, обуславливающие различия в динамике потребительских цен:

• Эффект Балассы–Самуэльсона: Этот экономический эффект объясняет, что в странах (или регионах) с более высокой производительностью труда в торгуемом секторе (например, в добывающей промышленности) заработная плата будет выше, что подтягивает за собой зарплаты и в неторгуемом секторе (услуги). Это, в свою очередь, приводит к более высокому уровню цен в целом. ХМАО-Югра, с её мощным нефтегазовым сектором и высокими зарплатами, является ярким примером проявления этого эффекта.
• Издержки региональной торговли: Удаленность региона от основных производственных и логистических центров, а также особенности транспортной инфраструктуры (например, сезонные ограничения) существенно увеличивают транспортные издержки. Эти издержки неизбежно перекладываются на конечного потребителя, что ведет к удорожанию товаров.
• Уровень монополизации розничной торговли: В некоторых удаленных или менее конкурентных регионах розничная торговля может быть более монополизирована, что позволяет отдельным игрокам устанавливать более высокие наценки, не опасаясь жесткой конкуренции. В ХМАО-Югре, несмотря на развитый потребительский рынок, наличие такой проблемы в отдельных сегментах может быть предметом дальнейшего изучения.
• Структура доходов населения: Регионы с более высоким уровнем доходов населения (как ХМАО-Югра) часто характеризуются и более высокими ценами, поскольку население обладает большей покупательной способностью и готово платить за более дорогие товары и услуги.

Таким образом, анализ демонстрирует, что, несмотря на более низкую инфляцию по сравнению с общероссийским уровнем, ХМАО-Югра все же сталкивается с более высокими абсолютными ценами, обусловленными сочетанием структурных экономических факторов, географического положения и специфики потребительского рынка. Этот баланс между низкой инфляцией и высокими ценами является одной из ключевых особенностей региона.

Структура потребительских расходов населения и её влияние на ценовую динамику

Структура потребительских расходов населения является зеркалом их покупательной способности и предпочтений, а также играет важную роль в формировании ценовой динамики. Изменения в этой структуре могут как стимулировать рост цен в одних секторах, так и сдерживать его в других.

Ключевые аспекты влияния:

• Доля продовольственных товаров: Высокая доля расходов на продукты питания в структуре потребительской корзины делает население более чувствительным к их удорожанию. В ХМАО-Югре, несмотря на высокие доходы, стоимость минимального набора продуктов питания значительно превышает среднероссийский уровень.
• Доля услуг: Рост расходов на услуги, особенно дорогие (например, путешествия, образование, медицинские услуги), может быть индикатором повышения уровня жизни, но также и источником инфляционного давления, поскольку услуги, как правило, менее подвержены ценовой конкуренции и сильнее зависят от роста зарплат.
• Структура денежных доходов: В ХМАО-Югре оплата труда является основным источником денежных доходов населения, составляя около 74%. Социальные выплаты формируют более 19%. Высокая доля оплаты труда означает, что любое ее изменение (рост или стагнация) напрямую влияет на потребительский спрос и, как следствие, на цены.

Влияние на ценовую динамику:

• Высокая покупательная способность: Высокие реальные доходы и заработная плата в ХМАО-Югре (среднемесячная номинальная зарплата в январе-феврале 2025 года составила 121085 рублей, что на 3,5% выше в реальном исчислении к предыдущему году) создают мощный потребительский спрос. Этот спрос позволяет производителям и продавцам поддерживать более высокие цены, не опасаясь существенного падения объемов продаж.
• Эластичность спроса: В условиях высоких доходов население может быть менее чувствительно к небольшим повышениям цен на некоторые категории товаров и услуг, что дает возможность продавцам повышать наценки.
• Логистическая составляющая: В структуре потребительских расходов на товары, особенно импортируемые или доставляемые из других регионов, значительную долю занимают логистические издержки. Понимание этой доли важно для анализа ценообразования.

Таким образом, структура потребительских расходов в ХМАО-Югре, характеризующаяся высокими доходами и существенной долей расходов на продукты питания и услуги, формирует специфическую ценовую среду, где спрос является мощным фактором, поддерживающим уровень цен. Влияние же этого спроса на инфляцию заметно сглаживается за счет стабильности региональной экономики.

Влияние уникальных социально-экономических и климатических особенностей ХМАО-Югры на формирование цен

Региональная экономика – это сложный организм, где каждая особенность – от климата до структуры доходов – влияет на общую картину. ХМАО-Югра в этом отношении является ярким примером, где уникальные условия создают особый ценовой ландшафт. Глубокий анализ этих факторов позволяет понять, почему цены здесь могут отличаться от среднероссийских показателей.

Климатические и географические особенности как фактор ценообразования

Природные условия ХМАО-Югры – это не просто фон для жизни, это мощный экономический фактор, который напрямую влияет на издержки производства, логистику и, как следствие, на конечные потребительские цены.

«Гипокомфортная зона» и её последствия:

• Продолжительная холодная зима и резкие перепады температур: ХМАО-Югра относится к гипокомфортным зонам для проживания. Это означает, что для поддержания жизнедеятельности и комфорта требуются значительные дополнительные затраты.
  • Коммунальные услуги: Высокие расходы на отопление и электроэнергию в течение длительного отопительного сезона неизбежно сказываются на тарифах коммунальных услуг, которые, в свою очередь, влияют на издержки предприятий и стоимость жизни населения.
  • Одежда и товары для дома: Спрос на теплую одежду, специализированное оборудование для дома (утеплители, обогреватели) стабильно высок, что может поддерживать более высокие цены на эти категории товаров.
  • Продовольствие: Хранение и транспортировка скоропортящихся продуктов в условиях низких температур требует специализированного оборудования и дополнительных расходов, что также отражается на ценах.
• Удаленность региона и особенности транспортной инфраструктуры: Географическое положение ХМАО-Югры – значительная удаленность от центральных регионов России и основных логистических хабов – является ключевым фактором, определяющим высокие транспортные издержки.
  • Сезонность транспортных путей: В некоторых районах транспортное сообщение может быть затруднено или иметь сезонный характер (например, по зимникам), что увеличивает сроки доставки и общую стоимость логистики.
  • Высокие затраты на топливо: Значительные расстояния и суровые условия эксплуатации транспорта приводят к повышенному расходу топлива, что, например, влияет на цены на бензин. В октябре 2025 года литр бензина в северных регионах уже дорожал, что не может не сказаться на стоимости всех товаров.
• Влияние на сельское хозяйство: Суровый климат ограничивает возможности развития местного сельского хозяйства, делая регион зависимым от импорта продовольствия из более теплых регионов. Это приводит к удорожанию базовых продуктов питания.

Таким образом, климатические и географические особенности ХМАО-Югры не просто создают неудобства для жизни, но и формируют устойчивое инфляционное давление, повышая издержки на всех этапах цепочки поставок и потребления. Именно поэтому здесь так важно учитывать региональную специфику при формировании ценовой политики.

Экономическая структура и доходы населения: ключевые детерминанты цен

Экономическая структура региона и уровень доходов его населения являются фундаментальными факторами, определяющими динамику потребительских цен. В случае ХМАО-Югры эти факторы играют особенно выраженную роль, формируя уникальный ценовой ландшафт.

Доминирующая роль нефтегазового сектора:

• Вклад в ВРП: ХМАО-Югра – один из ведущих нефтегазоносных регионов России, добывающий более 40% российской нефти. Этот сектор традиционно вносит основной вклад в Валовой региональный продукт (ВРП) округа, занимая, по оценкам, порядка 75%.
• «Голландская болезнь» и структура экономики: Доминирование одного сектора может приводить к «голландской болезни», когда высокие доходы от экспорта сырья укрепляют национальную валюту (или создают эффект «дорогого региона»), что делает другие сектора менее конкурентоспособными. В ХМАО-Югре это проявляется в относительно небольшой доле обрабатывающей промышленности и сельского хозяйства.
• Ценообразование в нефтегазовой отрасли: Особенности ценообразования в этой сфере (влияние себестоимости добычи, климатических условий, мировой конъюнктуры) косвенно влияют на региональную экономику, формируя общий уровень благосостояния и, как следствие, уровень цен.

Высокие социально-экономические показатели и их влияние на цены:

• Высокий среднедушевой ВРП: Усредненный среднедушевой ВРП ХМАО-Югры за 2020–2023 годы составил 4,2 млн руб., что более чем в четыре раза превышает среднестрановой показатель. Это свидетельствует о высоком уровне экономического развития и создании значительной добавленной стоимости в регионе.
• Благосостояние и доходы населения: ХМАО-Югра занимает 3-е место по уровню благосостояния семей и 4-е место по социально-экономическому положению среди субъектов РФ. В регионе наблюдается низкий уровень безработицы (0,20% на 1 августа 2024 года, ожидаемый уровень 0,28% по итогам 2024 года, прогноз на конец 2025 года – 0,23%) и стабильный рост реальных доходов населения. Так, за первое полугодие 2025 года реальные доходы населения увеличились на 1,8% по сравнению с аналогичным периодом 2024 года, а реальная заработная плата выросла на 1,6%.
• Повышенная покупательная способность: Высокий уровень доходов населения напрямую влияет на ценообразование. Когда население обладает значительной покупательной способностью, оно готово платить более высокие цены за товары и услуги. Это создает менее конкурентную среду для снижения цен и позволяет розничным сетям и поставщикам поддерживать более высокие наценки. Это подтверждает эффект Балассы–Самуэльсона, где высокие заработные платы в доминирующем секторе «подтягивают» цены на услуги и товары в других секторах экономики.
• Структура денежных доходов: Оплата труда составляет около 74% денежных доходов населения ХМАО-Югры, а социальные выплаты – более 19%. Такая структура означает, что уровень жизни и потребительская активность в значительной степени зависят от динамики заработной платы.

Таким образом, мощный нефтегазовый сектор, обеспечивающий высокие доходы и низкую безработицу, создает благоприятные условия для поддержания более высоких цен на потребительском рынке ХМАО-Югры. Население, обладая значительной покупательной способностью, формирует спрос, который позволяет продавцам устанавливать более высокие наценки, что является естественной реакцией рынка на экономическое благополучие региона.

Логистические издержки и их роль в формировании региональных цен

В любом регионе, особенно удаленном, логистика играет критически важную роль в формировании конечной цены товаров. Для ХМАО-Югры, с её обширными территориями, удаленностью от центральных производственных мощностей и сложными климатическими условиями, логистические издержки являются одним из наиболее значимых факторов, определяющих уровень потребительских цен.

Основные аспекты влияния логистических издержек:

• Транспортная удаленность: ХМАО-Югра расположена на значительном расстоянии от основных сельскохозяйственных и промышленных районов России. Это означает, что большинство потребительских товаров, особенно продовольственных, должны преодолевать тысячи километров, что неизбежно ведет к удорожанию доставки.
• Особенности транспортной инфраструктуры: Несмотря на развитие транспортной сети, в регионе существуют участки со сложной доступностью, особенно в зимний период (зимники). Это увеличивает сроки доставки, требует использования специализированного транспорта и повышает риски, что также отражается на стоимости.
• Высокие затраты на топливо: Из-за больших расстояний и суровых климатических условий (низкие температуры, необходимость прогрева техники) расход топлива для грузоперевозок в ХМАО-Югре значительно выше. Повышение цен на бензин, как, например, в октябре 2025 года, прямо сказывается на стоимости логистики.
• Хранение и складирование: Хранение товаров, особенно скоропортящихся, в условиях Севера требует специализированных складов с системами отопления или охлаждения, что также увеличивает операционные издержки.
• Влияние на инфляцию: Как показал анализ, в июне 2024 года инфляция в автономном округе ускорялась, в том числе, под влиянием роста затрат производителей и поставщиков товаров, а также увеличения логистических издержек. Это подчеркивает прямую связь между логистикой и ценовой динамикой.

Пример:
Представим, что стоимость производства единицы товара в центральной России составляет 100 рублей. Доставка этого товара в ХМАО-Югру может увеличить его стоимость на 20-50% (или более) только за счет транспортных расходов, страхования, хранения и дополнительных операций. Таким образом, конечная цена для потребителя в Югре может быть 120-150 рублей, тогда как в более близких регионах она составит 105-110 рублей.

Таблица 2: Влияние логистических издержек на стоимость товаров (гипотетический пример)

Компонент стоимости	Центральный регион (руб.)	ХМАО-Югра (руб.)
Себестоимость товара	100	100
Транспортные расходы	5	25
Хранение/Складирование	2	7
Прочие логистические	3	8
Итого до наценки	110	140

Высокие логистические издержки являются структурной особенностью ХМАО-Югры, и их влияние на потребительские цены неизбежно. Они формируют своего рода «премию за удаленность», которая автоматически закладывается в стоимость большинства товаров и услуг. Следовательно, любое изменение в стоимости топлива или транспортных тарифах немедленно отражается на конечной цене для потребителя.

Статистические модели и прогностические методы для оценки и прогнозирования динамики потребительских цен в ХМАО-Югре

Прогнозирование инфляции — это не только академическая задача, но и инструмент для принятия управленческих решений как на государственном, так и на корпоративном уровне. В современном мире, где экономические процессы отличаются высокой степенью сложности и взаимосвязанности, для оценки и прогнозирования динамики потребительских цен используются как классические эконометрические подходы, так и передовые методы машинного обучения.

Обзор традиционных эконометрических моделей временных рядов

Анализ временных рядов — это фундаментальный статистический подход для выявления закономерностей, тенденций и цикличности в данных, изменяющихся во времени. Для прогнозирования инфляции на региональном уровне традиционно используются следующие модели:

• Модели авторегрессии (AR): Эти модели используют прошлые значения самого временного ряда для прогнозирования будущих. Например, AR(p) модель предполагает, что текущее значение ряда Y_t является линейной комбинацией p своих предыдущих значений и случайной ошибки ε_t:

Yt = c + φ1Yt-1 + ... + φpYt-p + εt

• Модели скользящего среднего (MA): MA(q) модель выражает текущее значение ряда как линейную комбинацию текущих и q прошлых значений случайной ошибки:

Yt = μ + εt + θ1εt-1 + ... + θqεt-q

• Модели авторегрессии-скользящего среднего (ARMA): Объединяют компоненты AR и MA. ARMA(p, q) модель учитывает как прошлые значения ряда, так и прошлые ошибки.
• Интегрированные модели авторегрессии-скользящего среднего (ARIMA): Если временной ряд нестационарен (то есть его статистические свойства, такие как среднее и дисперсия, меняются со временем), его необходимо «интегрировать» (дифференцировать) до достижения стационарности. ARIMA(p, d, q) включает d — порядок интегрирования (количество дифференцирований).
• Векторные авторегрессионные модели (ВАР-модели): Эти модели используются, когда необходимо прогнозировать несколько взаимосвязанных временных рядов одновременно. ВАР-модель позволяет анализировать динамическое взаимодействие между множеством переменных, таких как инфляция, процентные ставки, курсы валют и другие макроэкономические показатели.

Предварительный анализ временных рядов:
Прежде чем применять эти модели, необходимо провести тщательный предварительный анализ временного ряда, который включает:

1. Построение графика временного ряда: Визуальная оценка позволяет выявить очевидные тренды, сезонность, цикличность и выбросы.
2. Тест на стационарность: Используются тесты, такие как тест Дики-Фуллера или тест Филлипса-Перрона, чтобы определить, является ли ряд стационарным или требуется его дифференцирование.
3. Выявление трендов, сезонности и цикличности:
   • Тренд: Долгосрочная устойчивая тенденция изменения показателя.
   • Сезонность: Периодические колебания, повторяющиеся через равные промежутки времени (например, месячные или квартальные изменения цен на овощи).
   • Цикличность: Колебания, обусловленные экономическими циклами (обычно 2-5 лет), не имеющие строго фиксированного периода.
4. Сглаживание: Применение методов сглаживания (например, скользящих средних) для удаления случайных колебаний и более четкого выявления основных компонентов.
5. Построение автокорреляционной (АКФ) и частной автокорреляционной (ЧАКФ) функций: Эти функции помогают определить порядок AR и MA компонент в моделях.
6. Методы выявления периодических компонент: Для более глубокого анализа сезонности и цикличности могут использоваться спектральный и вейвлет-анализы.

Традиционные эконометрические модели показывают высокую точность на краткосрочных горизонтах прогнозирования (один-три квартала) и остаются важным инструментом в арсенале статистиков и экономистов.

Применение методов машинного обучения для прогнозирования региональной инфляции

С появлением «больших данных» и развитием вычислительных мощностей методы машинного обучения (МО) стали неотъемлемой частью арсенала для прогнозирования экономических показателей, включая инфляцию. Их способность выявлять сложные нелинейные зависимости и работать с высокоразмерными данными делает их особенно привлекательными для регионального анализа.

Популярные методы МО для прогнозирования инфляции:

• Метод опорных векторов (SVM): Используется для решения задач классификации и регрессии. SVM строит оптимальную гиперплоскость, разделяющую данные, и может эффективно работать с нелинейными зависимостями с помощью ядерных функций.
• Градиентный бустинг (Gradient Boosting): Ансамблевый метод, который последовательно строит слабые модели (обычно деревья решений), каждая из которых корректирует ошибки предыдущей. Примеры алгоритмов: XGBoost, LightGBM, CatBoost.
• Случайный лес (Random Forest): Еще один ансамблевый метод, который строит множество деревьев решений на случайных подвыборках данных и факторов, а затем усредняет их прогнозы. Он отличается высокой устойчивостью к переобучению и позволяет оценить важность каждого входного фактора.
• Регуляризационные методы (LASSO, Ridge, Elastic Net): Расширения линейной регрессии, которые добавляют штрафные члены к функции потерь, чтобы предотвратить переобучение и улучшить обобщающую способность модели.
  • LASSO (Least Absolute Shrinkage and Selection Operator): Использует L1-регуляризацию, которая может обнулять коэффициенты менее значимых факторов, выполняя таким образом отбор признаков.
  • Ridge (Гребневая регрессия): Использует L2-регуляризацию, уменьшая величину коэффициентов, но не обнуляя их.
  • Elastic Net: Комбинирует L1 и L2 регуляризацию.
• Рекуррентные нейронные сети (RNN) и Long Short-Term Memory (LSTM): Эти нейронные сети особенно эффективны для анализа последовательных данных, таких как временные ряды, поскольку они могут «запоминать» информацию из предыдущих шагов. LSTM-сети превосходят обычные RNN в обработке длинных последовательностей.

Преимущества и недостатки методов МО:

• Преимущества:
  • Способность работать с нелинейными и сложными взаимосвязями.
  • Высокая точность прогнозирования на долгосрочных горизонтах (свыше года).
  • Возможность обработки большого количества входных данных (например, модель «случайный лес»).
  • Меньшая требовательность к предположениям о распределении данных по сравнению с эконометрическими моделями.
• Недостатки:
  • «Черный ящик»: Некоторые модели (особенно глубокие нейронные сети) могут быть сложно интерпретируемыми.
  • Требуют больших объемов данных для обучения.
  • Вычислительная интенсив��ость.

Сравнительный анализ эффективности:
Исследования показывают, что качество прогнозирования региональной инфляции с помощью методов машинного обучения сопоставимо с традиционными эконометрическими методами. Однако наблюдается четкое различие в их применимости:

• Методы машинного обучения показывают лучшие результаты в прогнозировании региональной инфляции на длительных временных периодах (свыше года) для большинства сибирских регионов, включая ХМАО-Югру.
• Эконометрические модели традиционно более точны на краткосрочных горизонтах (один-три квартала).

Это различие позволяет использовать гибридные подходы, где для разных горизонтов прогнозирования применяются наиболее эффективные методы. Кроме того, комбинирование прогнозов, полученных разными методами машинного обучения, часто дает более стабильные и точные результаты, чем использование одного метода.

Макроэкономические показатели и «большие данные» как факторы прогнозирования

Точность любого прогностического инструмента напрямую зависит от качества и полноты входных данных. Для региональной инфляции это означает использование не только исторических значений самого показателя, но и широкого спектра макроэкономических факторов, а также потенциала «больших данных».

Ключевые макроэкономические показатели:

• Инфляция в прошлом месяце/квартале: Это один из самых значимых факторов, поскольку инфляция часто имеет инерционный характер.
• Среднее значение инфляции за определенный период: Помогает учесть общие тренды и сгладить краткосрочные колебания.
• Ключевая ставка Центрального банка: Инструмент денежно-кредитной политики, напрямую влияющий на стоимость кредитов и инфляционные ожидания.
• Курсы валют: Влияют на стоимость импортных товаров, что особенно актуально для регионов, зависящих от импорта.
• Цена на нефть марки Urals: Являясь основным экспортным товаром для России и ключевым фактором для экономики ХМАО-Югры, цена на нефть оказывает существенное влияние на доходы бюджета, доходы населения и инфляцию.
• Уровень безработицы: Индикатор состояния рынка труда и потребительского спроса. Низкая безработица (как в ХМАО-Югре) может способствовать росту заработных плат и инфляции.
• Сезонно-скорректированный ряд широкой денежной массы: Отражает объем денежных средств в обращении, который является важным фактором инфляции.
• Индекс МосБиржи: Индикатор состояния фондового рынка, косвенно отражающий инвестиционные настроения и общую экономическую активность.
• Разница между доходностями долгосрочных и среднесрочных облигаций: Может служить индикатором инфляционных ожиданий и состояния экономики.

«Большие данные» как новые источники информации:
С развитием технологий и внедрением Росстатом новых методологий, «большие данные» становятся все более важным ресурсом для прогнозирования:

• Единая межведомственная информационно-статистическая система (ЕМИСС): Централизованная база данных, содержащая широкий спектр статистических показателей, которые могут быть использованы в качестве входных данных для моделей.
• Информация контрольно-кассовой техники (ККТ) и чеки: Позволяют получать детализированные данные о ценах на конкретные товары в реальном времени, объемы продаж и структуру потребления.
• Данные Государственной информационной системы маркировки товаров (ГИС МТ): Предоставляют информацию о движении маркированных товаров, что может быть использовано для отслеживания ценовых изменений и выявления серых схем.
• Мониторинг онлайн-продаж и веб-скрейпинг: Сбор данных с интернет-магазинов и агрегаторов цен позволяет оперативно отслеживать ценовую динамику, особенно в сегменте непродовольственных товаров и услуг.

Интеграция этих разнообразных источников данных в прогностические модели — будь то эконометрические или машинные — значительно повышает их точность и релевантность, позволяя создавать более комплексные и адекватные прогнозы динамики потребительских цен в ХМАО-Югре. В конечном итоге, именно полнота и актуальность данных определяют качество принимаемых решений.

Система мониторинга потребительских цен в ХМАО-Югре и направления ее совершенствования

Эффективный мониторинг цен — это не просто сбор данных, а сложный процесс, требующий системного подхода, применения современных технологий и адаптации к постоянно меняющимся условиям рынка. В ХМАО-Югре, как и в других регионах, эта система постоянно развивается, но всегда есть возможности для её совершенствования.

Текущая практика мониторинга потребительских цен в ХМАО-Югре

Ханты-Мансийский автономный округ – Югра активно осуществляет мониторинг потребительских цен, что является важной частью региональной экономической политики, направленной на обеспечение ценовой стабильности и предотвращение необоснованного роста цен. Какие же механизмы применяются для этого?

Ключевые аспекты текущей практики:

• Еженедельное информационно-аналитическое наблюдение: Власти ХМАО-Югры проводят еженедельный мониторинг состояния продовольственного рынка во всех 22 муниципальных образованиях. Основная цель – своевременное реагирование на изменения цен, выявление дефицита и предотвращение спекулятивного повышения.
• Доступность информации: Актуальная информация о ценах регулярно публикуется на региональных сайтах «Мониторинг ЮГРА» и Департамента экономического развития Югры. Это обеспечивает прозрачность и позволяет населению и бизнесу получать оперативную информацию.
• Мониторинг цен на строительные материалы: Проводится ежемесячный мониторинг розничных цен на строительные материалы. Его результаты размещаются в системе АИС «Мониторинг Югра», что важно для контроля уровня цен в строительном секторе и прогнозирования реализации инвестиционных проектов.
• Мониторинг цен на автомобильное топливо: Регулярное наблюдение осуществляется на всех 260 АЗС округа, что особенно актуально для региона с большими расстояниями и зависимостью от автотранспорта.
• Соответствие общероссийским тенденциям: По результатам наблюдения, ценовые тенденции на продовольственном рынке ХМАО-Югры, как правило, соответствуют общероссийским, и необоснованного повышения цен не выявлено. Это свидетельствует об адекватности рынка и отсутствии критических дисбалансов.
• Контроль со стороны Минпромторга РФ: Осуществляется мониторинг по 63 наиболее востребованным товарам, чтобы не допустить завышения цен по сравнению с соседними регионами.

Таким образом, существующая система мониторинга в ХМАО-Югре является достаточно развитой и охватывает широкий спектр товаров и услуг. Однако вызовы современного рынка и технологический прогресс требуют постоянной адаптации и совершенствования.

Использование «больших данных» и новые вызовы для мониторинга

Внедрение «больших данных» в систему статистического наблюдения стало одним из наиболее значимых трендов последних лет. С января 2023 года Росстат, а значит и его региональные органы, активно используют новые источники информации, что открывает как огромные возможности, так и порождает новые вызовы.

Потенциал «больших данных» для мониторинга:

• Повышение оперативности и детализации: Использование информации с контрольно-кассовой техники (ККТ), данных о чеках, сведений из Государственной информационной системы маркировки товаров (ГИС МТ), а также мониторинг онлайн-продаж и веб-скрейпинг позволяют получать информацию о ценах практически в реальном времени и на уровне отдельных товарных позиций.
• Расширение охвата: «Большие данные» позволяют охватить большее количество торговых точек и товаров, чем традиционное выборочное наблюдение.
• Выявление аномалий: Автоматизированный анализ больших массивов данных способен быстро выявлять ценовые аномалии, резкие скачки цен или дефицит товаров, что способствует оперативному реагированию.

Новые вызовы и проблемы:

• Необходимость единых требований к фискальным данным: Для эффективного использования данных ККТ Росстат требует единых требований к фискальным данным. Проблема заключается в том, что не все кассовые аппараты и торговые системы корректно распознают и передают ключевую информацию: наименование товара, единицу измерения, цену, количество, стоимость и признак скидки. Без стандартизации этих данных автоматизированный анализ затруднен.
• Проблема неструктурированных данных: Информация, полученная методом веб-скрейпинга, часто является неструктурированной и требует значительных усилий по очистке и преобразованию для дальнейшего анализа.
• Конфиденциальность и доступ к данным: Использование «больших данных» поднимает вопросы конфиденциальности информации и необходимости законодательного обеспечения доступа государственных структур к коммерческим данным, которые могут быть чувствительными для бизнеса.

Таким образом, «большие данные» являются мощным инструментом, но их эффективное применение в мониторинге цен требует решения ряда методологических, технических и законодательных проблем. Это обуславливает необходимость постоянного совершенствования законодательной базы и технических решений.

Рекомендации по совершенствованию системы мониторинга цен

На основе анализа текущей практики и выявленных вызовов можно предложить ряд конкретных рекомендаций по совершенствованию системы мониторинга потребительских цен в ХМАО-Югре. Эти меры направлены на повышение точности, оперативности и глубины анализа, что в конечном итоге будет способствовать более эффективному управлению инфляционными процессами.

1. Законодательное обеспечение доступа к информации, составляющей налоговую тайну:
   • Обоснование: Для полноценного мониторинга цен на продукты питания, входящие в потребительскую корзину, а также для выявления случаев необоснованного завышения цен или сговора, государственным структурам (например, ФАС, региональным органам экономического развития) необходим доступ к более глубокой информации, такой как себестоимость и прибыль предприятий. В настоящее время такая информация часто относится к налоговой тайне.
   • Предложение: Разработать и принять законодательные поправки, которые бы регулировали предоставление государственным органам выборочного и обезличенного доступа к агрегированным данным о себестоимости и прибыли по ключевым товарным группам, но только в целях мониторинга и анализа ценообразования. Это должно быть четко регламентировано для предотвращения злоупотреблений и защиты коммерческой тайны.
2. Унификация и стандартизация фискальных данных:
   • Обоснование: Проблема неединообразия фискальных данных является серьезным барьером для эффективного использования информации ККТ. Различные форматы наименований товаров, единиц измерения и учета скидок затрудняют автоматизированную обработку.
   • Предложение:
     • Разработка стандартов: Росстату (в сотрудничестве с ФНС и Минфином) необходимо разработать четкие и обязательные стандарты для наименования товаров, единиц измерения и отражения скидок в фискальных данных.
     • Обучение и информирование бизнеса: Провести масштабные информационные кампании и обучение для представителей розничной торговли и сферы услуг по корректному формированию фискальных чеков.
     • Интеграция с ГИС МТ: Усилить интеграцию данных ККТ с Государственной информационной системой маркировки товаров, которая уже содержит стандартизированную информацию о товарах.
3. Интеграция опыта коммерческих систем мониторинга цен конкурентов:
   • Обоснование: Коммерческие сервисы (например, Priceva, Keeprise, GoodsForecast Price Monitoring) обладают передовыми алгоритмами веб-скрейпинга, анализа больших данных и формирования аналитических отчетов.
   • Предложение:
     • Пилотные проекты: Инициировать пилотные проекты по сотрудничеству с разработчиками таких систем для адаптации их решений под нужды государственного мониторинга.
     • Заимствование методологий: Изучить и имплементировать наиболее успешные методологии сбора, обработки и анализа данных, используемые в коммерческом секторе, для повышения оперативности и детализации мониторинга.
     • Развитие внутренних компетенций: Инвестировать в обучение специалистов Росстата и региональных экономических ведомств работе с современными аналитическими инструментами и методами машинного обучения.
4. Учет инфляционных ожиданий населения:
   • Обоснование: Инфляционные ожидания населения являются важным фактором, влияющим на их потребительское поведение и, как следствие, на фактическую инфляцию.
   • Предложение: Регулярно проводить социологические опросы для оценки инфляционных ожиданий населения ХМАО-Югры. Эти данные могут быть интегрированы в прогностические модели и использованы при разработке коммуникационной стратегии Банка России и региональных властей.

Реализация этих рекомендаций позволит ХМАО-Югре создать более продвинутую, точную и адаптивную систему мониторинга потребительских цен, способную эффективно реагировать на современные вызовы и способствовать стабильному экономическому развитию региона, обеспечивая при этом большую прозрачность и обоснованность принимаемых решений.

Заключение

Статистический анализ потребительских цен в Ханты-Мансийском автономном округе – Югре раскрыл сложную и многогранную картину, где общие экономические закономерности преломляются через призму уникальных региональных особенностей. В ходе исследования были успешно решены поставленные задачи, что позволило разработать структурированный план для углубленного академического исследования.

Мы углубились в теоретические основы ценообразования и инфляции, подробно рассмотрели инновационную методологию Росстата по расчету Индекса потребительских цен, включающую использование «больших данных» с 2023 года, и оценили потенциал Индекса стоимости жизни для межрегиональных сопоставлений. Анализ динамики цен в ХМАО-Югре показал, что регион, несмотря на более низкую годовую инфляцию по сравнению со среднероссийскими показателями, сталкивается с более высокими абсолютными ценами, что обусловлено комплексом структурных факторов.

Особое внимание было уделено влиянию уникальных социально-экономических и климатических особенностей региона. Доказано, что суровый климат, удаленность от центральных регионов и логистические издержки формируют устойчивое инфляционное давление. В то же время, доминирование нефтегазового сектора и, как следствие, высокие доходы населения и низкая безработица, поддерживают высокую покупательную способность, позволяя продавцам поддерживать более высокие цены.

Рассмотрение статистических моделей и прогностических методов позволило выявить, что как традиционные эконометрические модели, так и методы машинного обучения (SVM, градиентный бустинг, случайный лес) имеют свою нишу в прогнозировании инфляции: первые более точны на краткосрочных горизонтах, вторые — на долгосрочных, а их комбинирование повышает общую эффективность. Подчеркнута важность использования широкого спектра макроэкономических показателей и потенциала «больших данных» (ККТ, ГИС МТ, веб-скрейпинг) как входных факторов для этих моделей.

Наконец, анализ системы мониторинга потребительских цен в ХМАО-Югре выявил её сильные стороны и обозначил ключевые направления для совершенствования. Среди них – необходимость законодательного обеспечения доступа к информации, составляющей налоговую тайну, для более глубокого анализа ценообразования, а также унификация и стандартизация фискальных данных для эффективного использования «больших данных».

Данное исследование вносит вклад в углубление понимания статистического анализа потребительских цен в региональном контексте, подчеркивая важность комплексного подхода, учитывающего не только общие экономические тенденции, но и уникальные особенности каждого субъекта Федерации.

Дальнейшие направления для академических исследований могут включать:

• Разработку гибридных прогностических моделей, комбинирующих эконометрические методы и машинное обучение, специально адаптированных для условий ХМАО-Югры.
• Детальный анализ влияния уровня монополизации розничной торговли на ценовую динамику в регионе.
• Исследование реакции потребительских цен на изменения в структуре денежных доходов населения с учетом их дифференциации по социальным группам.
• Количественную оценку влияния логистических издержек на стоимость конкретных групп товаров.
• Разработку предложений по оптимизации региональной политики регулирования цен, основанных на углубленном статистическом анализе и прогнозировании.

Такой всесторонний подход позволит не только глубже понять механизмы ценообразования в ХМАО-Югре, но и разработать более эффективные инструменты для управления экономическими процессами в регионе.

Список использованной литературы

1. Балинова, В. С. Статистика в вопросах и ответах. М.: ТК Вебли, Изд. Проспект, 2007. 344 с.
2. Башкатов, Б. И. Социально-экономическая статистика. М.: Юнити-Дана, 2009.
3. Беляевский, И. К., Данченок, Л. А., Коротков, А. В. Статистика рынка товаров и услуг: учебно-практическое пособие. М.: Московский государственный университет экономики, статистики и информатики, 2006. 143 с.
4. Бычкова, С. Г. Социально-экономическая статистика. М.: Высшее образование, 2009.
5. Воронин, В. Ф., Жильцова, Ю. В. Статистика: Учеб. пособие для вузов. М.: Экономистъ, 2009.
6. Голуб, Л. А. Социально-экономическая статистика: Учеб. пособие для студ. высш. учебн. заведений. М.: ВЛАДОС, 2008.
7. Гришин, А. Ф. Статистика. М.: Финансы и статистика, 2008. 324 с.
8. Гусаров, В. М., Проява, С. М. Общая теория статистики. М.: Юнити-Дана, 2008.
9. Елисеева, И. И., Юзбашев, М. М. Общая теория статистики: Учебник / Под ред. чл.-корр. РАН И.И. Елисеевой. 4-е изд., перераб. и доп. М.: Финансы и статистика, 2009.
10. Ефимова, М. Р., Петрова, Е. В., Румянцев, В. Н. Общая теория статистики. М.: Инфра-М, 2008.
11. Курс социально-экономической статистики: Учебник для вузов / под ред. проф. М.Г. Назарова. М.: Финстатинформ, ЮНИТИ-ДАНА, 2000. 771 с.
12. Лысенко, С. Н., Дмитриева, И. А. Общая теория статистики. М.: Форум, 2008.
13. Общая теория статистики / Под ред. А.Я. Боярского, Г.А. Громыко. М.: МУ, 2011. 343 с.
14. Пекарская, Н. Э. Общая теория статистики. Практикум. Минск: БГЭУ, 2008.
15. Практикум по теории статистики / под ред. Р. А. Шмойловой. М.: Финансы и статистика, 2008. 416 с.
16. Салин, В. Н., Чурилова, Э. Ю. Курс теории статистики для подготовки специалистов финансово-экономического профиля. М: Финансы и статистика, 2011.
17. Салин, В. Н., Шпаковская, Е. П. Социально-экономическая статистика: Учебник. М.: Юристъ, 2012.
18. Сидорович, А. В. Курс экономической теории. М.: «Дис», 2008. 456 с.
19. Сироткина, Т. С., Каманина, А. М. Основы теории статистики: уч. пос. М.: АО Финанстатинформ, 2011. 412 с.
20. Теория статистики: Учебник / Под ред. проф. Г.Л. Громыко. М.: ИНФРА-М, 2010. 414 с. (Серия «Высшее образование»).
21. Ценообразование: учеб. пособие / Д. А. Шевчук. М.: ГроссМедиа: РОСБУХ, 2008. 240 с. (Бакалавр).
22. Экономическая статистика: Учебное пособие / Н.М. Матегорина. Ростов н/Д: Феникс, 2007. 352 с.
23. Федеральная служба государственной статистики. URL: http://www.gks.ru.
24. ИНДЕКС ПОТРЕБИТЕЛЬСКИХ ЦЕН // КонсультантПлюс. URL: https://www.consultant.ru/document/cons_doc_LAW_294317/.
25. Росстат меняет методику расчета инфляции с 2022 года // Ведомости. 2021. 28 декабря. URL: https://www.vedomosti.ru/economics/articles/2021/12/28/902787-rosstat-menyaet-metodiku-rascheta-inflyatsii.
26. Об утверждении Официальной статистической методологии наблюдения за потребительскими ценами на товары и услуги и расчета индексов цен от 15 декабря 2021 // docs.cntd.ru. URL: https://docs.cntd.ru/document/720059379.
27. Методика расчета индекса потребительских цен (тарифов) на товары и услуги к различным базисным периодам // Сахалинстат. URL: https://sakhalinstat.gks.ru/storage/mediabank/metodika_rascheta_IPC.pdf.
28. Анализ региональной инфляции с использованием данных социальных сетей // Eco. URL: https://cyberleninka.ru/article/n/analiz-regionalnoy-inflyatsii-s-ispolzovaniem-dannyh-sotsialnyh-setey.
29. Методология ИПЦ // Омскстат. URL: https://omsk.gks.ru/folder/134442/document/132514.
30. Индексы потребительских цен и средние цены на товары и услуги // Росстат. URL: https://rosstat.gov.ru/price.
31. Прогнозирование региональной инфляции: эконометрические модели или методы машинного обучения? // Экономический журнал ВШЭ. URL: https://cyberleninka.ru/article/n/prognozirovanie-regionalnoy-inflyatsii-ekonometricheskie-modeli-ili-metody-mashinnogo-obucheniya.
32. РЕГИОНАЛЬНАЯ ИНФЛЯЦИЯ В РОССИИ: ФАКТОРЫ И ТЕНДЕНЦИИ (НА ПРИМЕРЕ СУБЪЕКТОВ ДАЛЬНЕВОСТОЧНОГО ФЕДЕРАЛЬНОГО ОКРУГА) // КиберЛенинка. URL: https://cyberleninka.ru/article/n/regionalnaya-inflyatsiya-v-rossii-faktory-i-tendentsii-na-primere-subektov-dalnevostochnogo-federalnogo-okruga.
33. Методология исчисления средних цен // Электронная библиотека БГЭУ. URL: http://edoc.bseu.by:8080/bitstream/edoc/3941/1/%D0%A1%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0%20%D1%86%D0%B5%D0%BD_2015_%D0%9A%D0%B0%D1%88%D0%B8%D1%86%D0%BA%D0%B0%D1%8F_%D0%98.%D0%90..pdf.
34. Система показателей статистики цен // Росстат. URL: https://rosstat.gov.ru/storage/mediabank/Metod.Pojasn-ceny.pdf.
35. МОДЕЛИРОВАНИЕ РЕГИОНАЛЬНОЙ ИНФЛЯЦИИ КАК ОСНОВА ВЫРАБОТКИ МЕРОПРИЯТИЙ ПО УПРАВЛЕНИЮ ИНФЛЯЦИОННЫМИ ПРОЦЕССАМИ // Вестник Алтайской академии экономики и права. URL: https://cyberleninka.ru/article/n/modelirovanie-regionalnoy-inflyatsii-kak-osnova-vyrabotki-meropriyatiy-po-upravleniyu-inflyatsionnymi-protsessami.
36. ИНДЕКС ПОТРЕБИТЕЛЬСКИХ ЦЕН – ОСНОВНОЙ ИНДИКАТОР ИНФЛЯЦИИ // Омскстат. URL: https://omsk.gks.ru/storage/mediabank/prezentaciya_IPC.pdf.
37. Индекс потребительских цен // Росстат. URL: https://rosstat.gov.ru/storage/mediabank/present_ipc.pdf.
38. Методология статистического наблюдения за ценами производителей промышленной продукции // Росстат. URL: https://rosstat.gov.ru/storage/mediabank/Metod_Pojasnenija_ICPP.pdf.
39. Официальная статистическая методология организации статистического наблюдения за потребительскими ценами на товары и услуги и расчета индексов // Росстат. URL: https://rosstat.gov.ru/storage/mediabank/met-ipc-21.pdf.
40. Международные статистические стандарты и национальная практика Subnational Purchasing Power Parities as a Tool for the Interarea Comparison // Вопросы статистики. URL: https://cyberleninka.ru/article/n/mezhdunarodnye-statisticheskie-standarty-i-natsionalnaya-praktika-subnational-purchasing-power-parities-as-a-tool-for-the-interarea.
41. Анализ региональной дифференциации цен // Издательский дом «Дело» РАНХиГС. URL: https://www.ranepa.ru/images/docs/nauchnie-dokladi/2018/cena.pdf.
42. I. Общие положения // КонсультантПлюс. URL: https://www.consultant.ru/document/cons_doc_LAW_294317/.
43. Розанова, Л. И. Методологические основы анализа регионального развития // Nota Bene. URL: https://cyberleninka.ru/article/n/rozanova-l-i-metodologicheskie-osnovy-analiza-regionalnogo-razvitiya.
44. СТАТИСТИЧЕСКИЙ АНАЛИЗ РЕГИОНАЛЬНОЙ ЭКОНОМИЧЕСКОЙ АКТИВНОСТИ // КиберЛенинка. URL: https://cyberleninka.ru/article/n/statisticheskiy-analiz-regionalnoy-ekonomicheskoy-aktivnosti.
45. Статистический анализ результатов экономической деятельности региона // КиберЛенинка. URL: https://cyberleninka.ru/article/n/statisticheskiy-analiz-rezultatov-ekonomicheskoy-deyatelnosti-regiona.
46. Инфляция в ХМАО в декабре составила 1%, в 2022г — 7,1% // Урал — Интерфакс Россия. URL: https://www.interfax-russia.ru/ural/news/inflyaciya-v-hmao-v-dekabre-sostavila-1-v-2022g-71.
47. Информационно-аналитический комментарий об инфляции в Ханты-Мансийском автономном округе — Югре в июне 2024 года // Банк России. URL: https://cbr.ru/press/event/?id=18492.
48. Основные показатели социально-экономического положения Ханты-Мансийского автономного округа – Югры в январе-марте 2024 года // Тюменьстат. URL: https://tumstat.gks.ru/folder/48201/document/173981.
49. Инфляция в Ханты-Мансийском автономном округе — Югре в сентябре 2025 года // Банк России. URL: https://cbr.ru/press/event/?id=19106.
50. Инфляция в Ханты-Мансийском автономном округе — Югре в июле 2025 года // Банк России. URL: https://cbr.ru/press/event/?id=18833.
51. Инфляция в России — Понятная статистика // Росстат. URL: https://rosstat.gov.ru/ps/inflation/.
52. ИПЦ России | 1992-2025 Данные | 2026-2027 прогноз // TRADINGECONOMICS.COM. URL: https://ru.tradingeconomics.com/russia/consumer-price-index.
53. Инфляция в Ханты-Мансийском автономном округе — Югре в июне 2025 года // Банк России. URL: https://cbr.ru/press/event/?id=18742.
54. Оперативные данные об индексе потребительских цен по Ханты-Мансийскому автономному округу – Югре за июнь 2022 года // Тюменьстат. URL: https://tumstat.gks.ru/storage/mediabank/2022_%D0%98%D0%9F%D0%A6%20%D0%AE%D0%B3%D1%80%D0%B0(%D0%B8%D1%8E%D0%BD%D1%8C).pdf.
55. Оперативные данные об индексе потребительских цен по Ханты-Мансийскому автономному округу – Югре за август 2022 года // Тюменьстат. URL: https://tumstat.gks.ru/storage/mediabank/2022_%D0%98%D0%9F%D0%A6%20%D0%AE%D0%B3%D1%80%D0%B0(%D0%B0%D0%B2%D0%B3%D1%83%D1%81%D1%82).pdf.
56. Особенности ценообразования в нефтяной и газовой промышленности (учебник) // studfile.net. URL: https://studfile.net/preview/10046522/page:19/.
57. Цены растут из-за дорогой логистики // Агроинвестор. URL: https://www.agroinvestor.ru/analytics/article/34839-tseny-rastut-iz-za-dorogoy-logistiki/.
58. Индекс Потребительских Цен (ИПЦ), Российская Федерация // statbase.ru. URL: https://statbase.ru/data/rus/cpi.html.
59. Индекс потребительских цен | Россия. Данные по годам // statbase.ru. URL: https://statbase.ru/data/rus/cpi_y.html.
60. Особенности ценообразования на нефтяном рынке // naukaru.ru. URL: https://naukaru.ru/ru/nauka/article/15926/view.
61. Инфляция в России и регионах за 2020-2024 гг. // Audit-it.ru. URL: https://www.audit-it.ru/inform/inflation/.
62. Факторы и тенденции в динамике цен регионов России // cyberleninka.ru. URL: https://cyberleninka.ru/article/n/faktory-i-tendentsii-v-dinamike-tsen-regionov-rossii.
63. Оперативные данные об индексе потребительских цен по Ханты-Мансийскому автономному округу — Югре (Сентябрь 2021) // Тюменьстат. URL: https://tumstat.gks.ru/storage/mediabank/2021_%D0%98%D0%9F%D0%A6_%D0%AE%D0%B3%D1%80%D0%B0.pdf.
64. СТРУКТУРА ПОТРЕБИТЕЛЬСКИХ РАСХОДОВ НАСЕЛЕНИЯ ТЮМЕНСКОЙ ОБЛАСТИ // Современные проблемы науки и образования. URL: https://science-education.ru/ru/article/view?id=11308.
65. Статистика индекса потребительских цен РОССТАТ // регионинжиниринг. URL: https://rcces86.ru/novosti/statistika-indeksa-potrebitelskikh-tsen-rosstat.
66. ОСОБЕННОСТИ ЦЕНООБРАЗОВАНИЯ РЫНКА ТОПЛИВНОЙ ПРОМЫШЛЕННОСТИ С ЦЕЛЬЮ // cyberleninka.ru. URL: https://cyberleninka.ru/article/n/osobennosti-tsenoobrazovaniya-rynka-toplivnoy-promyshlennosti-s-tselyu.
67. ОСОБЕННОСТИ МЕХАНИЗМОВ ЦЕНООБРАЗОВАНИЯ НА МЕЖДУНАРОДНЫХ РЫНКАХ ПРИРОДНОГО ГАЗА // Современные проблемы науки и образования. URL: https://science-education.ru/ru/article/view?id=19438.
68. ХАНТЫ-МАНСИЙСКИЙ АВТОНОМНЫЙ ОКРУГ — ЮГРА // АКРА. 2023. 31 июля. URL: https://www.acra-ratings.ru/upload/iblock/c38/k33l027r9e1lq7n4f9k9b4z1t4gq2m2j/ACRA_KhMAO-Yugra_31.07.2023.pdf.
69. Факторы формирования цен на нефть // Институт Гайдара. URL: https://www.iep.ru/files/text/nauchnie-izdania/book_factori_formirovania_cen_na_neft_2006.pdf.
70. Доходы и уровень жизни населения // Управление Федеральной службы государственной статистики по Тюменской области, Ханты-Мансийскому автономному округу. URL: https://tumstat.gks.ru/folder/48231.
71. Индекс потребительских цен (подготовлено экспертами компании «Гарант»). URL: https://www.garant.ru/products/ipo/prime/doc/70367332/.
72. Факторы дифференциации цен в российских регионах // КиберЛенинка. URL: https://cyberleninka.ru/article/n/faktory-differentsiatsii-tsen-v-rossiyskih-regionah.
73. БЮДЖЕТ ДЛЯ ГРАЖДАН // Департамент финансов Ханты-Мансийского автономного округа – Югры. 2024. URL: https://depfin.admhmao.ru/upload/iblock/d76/2422_2024.pdf.
74. Влияние логистики на стоимость продукции // Blog — GetTransport.com. URL: https://gettransport.com/ru/blog/vliyanie-logistiki-na-stoimost-produktsii/.
75. ЕМИСС. URL: https://www.fedstat.ru/.
76. Оценка расходов бюджета Ханты-Мансийского автономного округа-Югры // КиберЛенинка. URL: https://cyberleninka.ru/article/n/otsenka-rashodov-byudzheta-hanty-mansiyskogo-avtonomnogo-okruga-yugry.
77. Индекс потребительских цен // Контур.Норматив. URL: https://normativ.kontur.ru/document?moduleId=1&documentId=390979.
78. Оценка факторов региональной дифференциации потребительского спроса в Российской Федерации // Банк России. URL: https://cbr.ru/Content/Document/File/128331/analytic_note_20210816_r.pdf.
79. ВРЕЗКА 4. ДИНАМИКА ИНФЛЯЦИИ В РЕГИОНАХ // КонсультантПлюс. URL: https://www.consultant.ru/document/cons_doc_LAW_435422/.
80. Рейтинг регионов РФ по ипотечным платежам возглавила Чукотка // Eastrussia. URL: https://eastrussia.ru/news/reyting-regionov-rf-po-ipotechnym-platezham-vozglavila-chukotka/.
81. Эксперты объяснили, как удорожание перевозок из Китая скажется на стоимости импорта в Россию // Альта-Софт. 2024. 12 августа. URL: https://www.alta.ru/external_news/2024/08/12/eksperty-obyasnili-kak-udorozhanie-perevozok-iz-kitaya-skazhetsya-na-stoimosti-importa-v-rossiyu/.
82. Созависимые отношения России и Китая как тренд мировой логистики. Растущие цены на контейнеры влияют на импорт товаров, заторы на РЖД и цену вашего айфона // Vgudok. URL: https://vgudok.com/lenta/sozavisimye-otnosheniya-rossii-i-kitaya-kak-trend-mirovoy-logistiki-rastushchie-tseny-na-konteynery.
83. Импорт российского СПГ в ЕС вырос на 7% в первой половине 2025 года // angi.ru. URL: https://angi.ru/news.shtml?oid=3120677.
84. Индекс потребительских цен Ханты-Мансийский автономный округ // КонсультантПлюс. URL: https://www.consultant.ru/document/cons_doc_LAW_294317/.
85. Основные показатели социально-экономического положения Тюменской области (кроме Ханты-Мансийского автономного округа – Югры и Ямало-Ненецкого автономного округа) в январе-августе 2023 года // Тюменьстат. URL: https://tumstat.gks.ru/folder/48201/document/165971.
86. Социально-экономическое положение Ханты-Мансийского автономного округа – Югры // Тюменьстат. URL: https://tumstat.gks.ru/folder/48201.
87. Итоги социально-экономического развития Ханты-Мансийского автономного округа – Югры за январь-март 2023 года // Департамент экономического развития ХМАО-Югры. URL: https://depeconom.admhmao.ru/upload/iblock/c2d/itogi-sotsialno-ekonomicheskogo-razvitiya-khanty-mansiyskogo-avtonomnogo-okruga-_-yugry-za-yanvar-mart-2023-goda.pdf.
88. О прогнозе социально-экономического развития Ханты-Мансийского автономного округа — Югры на 2025 год и на плановый период 2026 и 2027 годов от 10 октября 2024 // Правительство ХМАО-Югры. URL: https://depfin.admhmao.ru/dokumenty/departamenta/prognoz-sotsialno-ekonomicheskogo-razvitiya-khanty-mansiyskogo-avtonomnogo-okruga-yugry-na-2025-god-i-na-planovyy-period-2026-i-2027-godov/1652399/.
89. Потребительский рынок // администрацией Ханты-Мансийского района. URL: https://hmrn.ru/deyatelnost/ekonomika/potrebitelskiy-rynok/.
90. Итоги социально-экономического развития Ханты-Мансийского автономного округа – Югры за 2023 год и ожидаемые итоги социально-экономического развития автономного округа за текущий финансовый год // Департамент экономического развития ХМАО-Югры. URL: https://depeconom.admhmao.ru/upload/iblock/7e9/itogi-sotsialno-ekonomicheskogo-razvitiya-khanty-mansiyskogo-avtonomnogo-okruga-_-yugry-za-2023-god-i-ozhidaemye-itogi-sotsialno-ekonomicheskogo-razvitiya-avtonomnogo-okruga-za-tekushchiy-finansovyy-god.pdf.
91. О прогнозе социально-экономического развития Ханты-Мансийского автономного округа — Югры на 2024 год и на плановый период 2025 и 2026 годов от 09 октября 2023 // Правительство ХМАО-Югры. URL: https://depfin.admhmao.ru/dokumenty/departamenta/prognoz-sotsialno-ekonomicheskogo-razvitiya-khanty-mansiyskogo-avtonomnogo-okruga-yugry-na-2024-god-i-na-planovyy-period-2025-i-2026-godov/1569055/.
92. Потребительский рынок // Департамент экономического развития Ханты-Мансийского автономного округа – Югры. URL: https://depeconom.admhmao.ru/napravleniya-deyatelnosti/potrebitelskiy-rynok/.
93. ПОТРЕБИТЕЛЬСКИЙ РЫНОК ХМАО: СОСТОЯНИЕ И ЕГО РАЗВИТИЕ НА ОСНОВЕ ЛОГИСТИЧЕСКОГО ПОДХОДА // Elibrary. URL: https://elibrary.ru/item.asp?id=38138763.
94. Анализ состояния и развития рынка потребительских товаров и услуг (на примере рынка ханты-мансийского автономного округа — Югры) // R Discovery. URL: https://www.rdiscovery.com/articles/10.12737/article_5f40391694f291.56417721.
95. 2.3.1 Приоритеты социально-экономического развития Ханты-Мансийского района // Администрация Ханты-Мансийского района. URL: https://hmrn.ru/deyatelnost/ekonomika/strategiya-sotsialno-ekonomicheskogo-razvitiya/strategiya-sotsialno-ekonomicheskogo-razvitiya-khanty-mansiyskogo-rayona-na-dolgosrochnuyu-perspektivu/2-3-1-prioritety-sotsialno-ekonomicheskogo-razvitiya-khanty-mansiyskogo-rayona/.
96. Доклад об экологической ситуации в Ханты-Мансийском автономном округе — Югре в 2022 году // Природнадзор Югры. URL: https://prn.admhmao.ru/upload/iblock/c61/doklad-ob-ekologicheskoy-situatsii-v-khanty-mansiyskom-avtonomnom-okruge-_-yugre-v-2022-godu.pdf.
97. Будем меньше строить и зарабатывать. Как санкции США скажутся на экономике ХМАО // Муксун.fm. 2025. 31 октября. URL: https://muksun.fm/news/2025-10-31/budem-menshe-stroit-i-zarabatyvat-kak-sanktsii-ssha-skazhutsya-na-ekonomike-hmao-4552424.
98. ТЕРРИТОРИАЛЬНЫЙ АНАЛИЗ УРОВНЯ КЛИМАТИЧЕСКОЙ КОМФОРТНОСТИ РАЙОНОВ ХАНТЫ-МАНСИЙСКОГО АВТОНОМНОГО ОКРУГА – ЮГРЫ // Успехи современного естествознания. URL: https://www.natural-sciences.ru/ru/article/view?id=37286.
99. Климатогеографичекие особенности Ханты-Мансийского автономного округа — Югры и их влияние на здоровье населения // КиберЛенинка. URL: https://cyberleninka.ru/article/n/klimatogeografichekie-osobennosti-hanty-mansiyskogo-avtonomnogo-okruga-yugry-i-ih-vliyanie-na-zdorovie-naseleniya.
100. Анализ современного состояния и тенденций развития нефтегазодобывающего сектора Ханты-Мансийского автономного округа // КиберЛенинка. URL: https://cyberleninka.ru/article/n/analiz-sovremennogo-sostoyaniya-i-tendentsiy-razvitiya-neftegazodobyvayuschego-sektora-hanty-mansiyskogo-avtonomnogo-okruga.
101. Экономика Ханты-Мансийского автономного округа – Югры: текущее состояние и перспективы региона // MANUFACTURERS.RU. URL: https://manufacturers.ru/articles/ekonomika-khmao-yugry-tekushchee-sostoyanie-i-perspektivy-regiona/.
102. ИССЛЕДОВАНИЕ ФАКТОРОВ, ВЛИЯЮЩИХ НА ДОБЫЧУ НЕФТИ В ХАНТЫ – МАНСИЙСКОМ АВТОНОМНОМ ОКРУГЕ – ЮГРЕ // Современные проблемы науки и образования (сетевое издание). URL: https://science-education.ru/ru/article/view?id=23348.
103. Анализ структуры экономики и тенденций социально-экономического развития ХМАО-Югры // КиберЛенинка. URL: https://cyberleninka.ru/article/n/analiz-struktury-ekonomiki-i-tendentsiy-sotsialno-ekonomicheskogo-razvitiya-hmao-yugry.
104. 6 июня 2010 г // Правительство Ханты-Мансийского автономного округа – Югры. URL: https://depfin.admhmao.ru/dokumenty/departamenta/programmy-sotsialno-ekonomicheskogo-razvitiya-khanty-mansiyskogo-avtonomnogo-okruga-yugry-na-srednesrochnuyu-perspektivu/1000676/.
105. ОЦЕНКА ФАКТОРОВ, ВЛИЯЮЩИХ НА ФОРМИРОВАНИЕ РЕГИОНАЛЬНОГО БЮДЖЕТА ХАНТЫ-МАНСИЙСКОГО АВТОНОМНОГО ОКРУГА — ЮГРЫ // КиберЛенинка. URL: https://cyberleninka.ru/article/n/otsenka-faktorov-vliyayuschih-na-formirovanie-regionalnogo-byudzheta-hanty-mansiyskogo-avtonomnogo-okruga-yugry.
106. Ценные кадры, но зарплата — слезы: сколько платят в ХМАО дефицитным специалистам? // Муксун.fm. 2025. 29 октября. URL: https://muksun.fm/news/2025-10-29/tsennye-kadry-no-zarplata-slezy-skolko-platyat-v-hmao-defitsitnym-spetsialistam-4552410.
107. Прогнозирование региональной инфляции с помощью методов машинного обучения на примере макрорегиона Сибирь // Банк России. URL: https://cbr.ru/Content/Document/File/134442/WP_20220318.pdf.
108. Ученые НИУ ВШЭ показали эффективность машинного обучения при прогнозировании инфляции // НИУ ВШЭ. URL: https://www.hse.ru/news/nauka/900220677.html.
109. Прогнозирование инфляции с помощью методов машинного обучения // Банк России. URL: https://www.cbr.ru/Collection/Collection/File/19089/2018_4_baybuza.pdf.
110. ПРОГНОЗИРОВАНИЕ РЕГИОНАЛЬНОЙ ИНФЛЯЦИИ С ПОМОЩЬЮ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ // КиберЛенинка. URL: https://cyberleninka.ru/article/n/prognozirovanie-regionalnoy-inflyatsii-s-pomoschyu-algoritmov-mashinnogo-obucheniya.
111. Прогнозирование инфляции на уровне региона в краткосрочном периоде на основе использования модели векторной авторегрессии // КиберЛенинка. URL: https://cyberleninka.ru/article/n/prognozirovanie-inflyatsii-na-urovne-regiona-v-kratkosrochnom-periode-na-osnove-ispolzovaniya-modeli-vektornoy-avtoregressii.
112. АНАЛИЗ ВРЕМЕННЫХ РЯДОВ // Ульяновский государственный технический университет. URL: https://www.ulstu.ru/media/uploads/2020/12/22/analiz-vremennyh-ryadov.pdf.
113. Анализ временных рядов // StatSoft.ru. URL: http://www.statsoft.ru/home/textbook/modules/sttimser.html.
114. Анализ временных рядов: определение, методы // Ultralytics. URL: https://ultralytics.com/ru/blog/time-series-analysis.
115. Новый год — на овощах. Как накрыть югорчанам праздничный стол и не разориться? // Муксун.fm. 2025. 1 ноября. URL: https://muksun.fm/news/2025-11-01/novyy-god-na-ovoshchah-kak-nakryt-yugorchanam-prazdnichnyy-stol-i-ne-razoritsya-4552427.
116. Удар по бюджетам: чиновники в ХМАО станут обходиться дороже из-за роста цен на бензин // Муксун.fm. 2025. 29 октября. URL: https://muksun.fm/news/2025-10-29/udar-po-byudzhetam-chinovniki-v-hmao-stanut-obhoditsya-dorozhe-iz-za-rosta-tsen-na-benzin-4552410.
117. Статистический анализ и прогнозирование инфляции на региональном уровне // КиберЛенинка. URL: https://cyberleninka.ru/article/n/statisticheskiy-analiz-i-prognozirovanie-inflyatsii-na-regionalnom-urovne.
118. 2025 год / Мониторинг розничных цен на основные продукты питания по городским округам и муниципальным районам автономного округа // Департамент экономического развития ХМАО-Югры. URL: https://depeconom.admhmao.ru/napravleniya-deyatelnosti/potrebitelskiy-rynok/monitoring-roznichnykh-tsen-na-osnovnye-produkty-pitaniya-po-gorodskim-okrugam-i-munitsipalnym-rayonam-avtonomnogo-okruga/2025-god/.
119. Анализ временных рядов: полное руководство для начинающих // Habr. URL: https://habr.com/ru/articles/774028/.
120. Анализ временных рядов // Викиконспекты. URL: https://neerc.ifmo.ru/wiki/index.php?title=%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B2%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%BD%D1%8B%D1%85_%D1%80%D1%8F%D0%B4%D0%BE%D0%B2.
121. Прогноз социально-экономического развития Ханты-Мансийского автономного округа – Югры на период до 2030 года // Департамент экономического развития ХМАО-Югры. URL: https://depeconom.admhmao.ru/napravleniya-deyatelnosti/prognoz-sotsialno-ekonomicheskogo-razvitiya-khanty-mansiyskogo-avtonomnogo-okruga-yugry/prognoz-sotsialno-ekonomicheskogo-razvitiya-khanty-mansiyskogo-avtonomnogo-okruga-yugry-na-period-do-2030-goda/.
122. СТАТИСТИЧЕСКИЕ МЕТОДЫ ПРОГНОЗИРОВАНИЯ В ЭКОНОМИКЕ // Оренбургский государственный университет. URL: https://cyberleninka.ru/article/n/statisticheskie-metody-prognozirovaniya-v-ekonomike.
123. Об итогах социально-экономического развития Ханты-Мансийского автономного округа — Югры за 2018 год // Docs.cntd.ru. URL: https://docs.cntd.ru/document/550212628.
124. Кейс «Территория инструмента»: как автоматизация мониторинга цен помогает региональной компании конкурировать с крупными «федералами» // Priceva. URL: https://www.priceva.ru/blog/case-territoriya-instrumenta.
125. Основные положения о порядке наблюдения за потребительскими ценами и тарифами на товары и платные услуги, оказанные населению, и определение индекса потребительских цен // Росстат. URL: https://rosstat.gov.ru/storage/mediabank/Osnov_pol_cen.pdf.
126. Влияние режима инфляционного таргетирования на экономическое развитие промышленного региона // Elibrary. URL: https://elibrary.ru/item.asp?id=50328224.
127. Минпромторг защищает новые регионы от завышения цен // asp-news.ru. URL: https://asp-news.ru/minpromtorg-zashchishchaet-novye-regiony-ot-zavysheniya-tsen.html.
128. В России хотят проводить передачу налоговой тайны для мониторинга цен на продукты // Iz.ru. 2025. 27 октября. URL: https://iz.ru/1779953/2025-10-27/v-rosiii-khotiat-provodit-peredachu-nalogovoi-tainy-dlia-monitoringa-tcen-na-produkty.
129. Обзор о достижении целей устойчивого развития в Ханты-Мансийском автономном округе // Природнадзор Югры. URL: https://prn.admhmao.ru/upload/iblock/b3b/obzor-o-dostizhenii-tseley-ustoychivogo-razvitiya-v-khanty-mansiyskom-avtonomnogo-okruge-_-yugre.pdf.
130. ХАНТЫ-МАНСИЙСКИЙ АВТОНОМНЫЙ ОКРУГ — ЮГРА // АКРА. 2025. 9 июля. URL: https://www.acra-ratings.ru/upload/iblock/61d/v958f273q4e62i021m259695123d132p/ACRA_KhMAO-Yugra_09.07.2025.pdf.
131. ЦИПКР. Бюджет-2026: Прогнозы, оценки экспертов и аналитические модели ЦИПКР последствий бюджетных проектировок правительства // КПРФ. URL: https://kprf.ru/party_live/regnews/225333.html.
132. ТОП лучших программ для ценообразования в 2025 // КОРУС Консалтинг. URL: https://korusconsulting.ru/blog/top-luchshih-programm-dlya-tsenoobrazovaniya/.
133. Литр за 98 рублей: северный бензин стал дороже кофе и даже такси // NewsInfo.Ru. 2025. 4 ноября. URL: https://newsinfo.ru/news/2025-11-04/litr-za-98-rubley-severnyy-benzin-stal-dorozhe-kofe-i-dazhe-taksi-1605380.
134. Что такое мониторинг цен? Обзор инструментов, методологий // iDatica. URL: https://idatica.com/blog/chto-takoe-monitoring-tsen-obzor-instrumentov-metodologij/.
135. Организация федерального статистического наблюдения за уровнем цен производителей промышленных товаров // Росстат. 2025. URL: https://rosstat.gov.ru/storage/mediabank/OPZPT_2025.pdf.
136. ХАНТЫ-МАНСИЙСКИЙ АВТОНОМНЫЙ ОКРУГ – ЮГРА // Научно-аналитический центр рационального недропользования им. В.И. Шпильмана. 2022. URL: https://nrs-ugra.ru/upload/iblock/c38/k33l027r9e1lq7n4f9k9b4z1t4gq2m2j/NAC_Spilman_2022.pdf.
137. 1.1 Анализ основных показателей, тенденций, проблем и диспропорций, сложившихся в социально-экономическом развитии // администрацией Ханты-Мансийского района. URL: https://hmrn.ru/deyatelnost/ekonomika/strategiya-sotsialno-ekonomicheskogo-razvitiya/strategiya-sotsialno-ekonomicheskogo-razvitiya-khanty-mansiyskogo-rayona-na-dolgosrochnuyu-perspektivu/1-1-analiz-osnovnykh-pokazateley-tendentsiy-problem-i-disproportsiy-slozhivshikhsya-v-sotsialno-ekonom/.
138. Глава Петростата: «К каждому показателю должен прилагаться паспорт» // Деловой Петербург. 2025. 20 октября. URL: https://www.dp.ru/a/2025/10/20/glava-petrostata-k-kazhdomu.
139. Цены и тарифы // Управление Федеральной службы государственной статистики по Тюменской области, Ханты-Мансийскому автономному округу. URL: https://tumstat.gks.ru/folder/48201/section/14589.
140. Инфляционные ожидания населения: региональный аспект // КиберЛенинка. URL: https://cyberleninka.ru/article/n/inflyatsionnye-ozhidaniya-naseleniya-regionalnyy-aspekt.
141. Описание практики (формат .docx) // Департамент экономического развития Ханты-Мансийского автономного округа – Югры. 2022. URL: https://depeconom.admhmao.ru/upload/iblock/58c/monitoring_tsen_na_stroitelnye_materialy_2022.docx.